本文提出了一种混合神经对话模型，其结合了检索和生成方法的优点，并经实验证明其在 Twitter 和 Foursquare 数据上优于检索方法和生成方法（包括最近提出的基于知识的神经对话模型），这将为构建对话系统提供新的思路。

Apr, 2019

本文提出了一种将检索式和生成式对话系统相结合的方法，将检索到的候选回答与原始查询一起馈送到基于循环神经网络的回答生成器中，以使神经模型了解更多信息。 实验结果表明，这种集成方法明显优于单独使用检索和生成方法。

Oct, 2016

在开放领域对话情景中，提出了一种敌对学习框架 ensembleGAN，用于增强检索 - 生成集合模型，该模型由生成器、排名生成器和排名鉴别器组成，通过学习生成更加相关的响应、高质量候选对抗响应、以及真实响应的识别与区分，实现了两种生成器的优点。实验结果表明了 ensembleGAN 在人工和自动评估度量上的优越性。

Apr, 2020

该研究提出了一个混合模型，结合了神经会话模型和基于规则的图形对话系统，通过聊天对话协助用户安排提醒，该系统相较于基于规则的基准系统表现出显著的改进，并结合了神经生成模型，使其足够稳健以应对实际应用场景。

Nov, 2017

本文提出了 RETE 方式，使用检索方法来增强神经响应生成的对抗训练， 与当前方法不同的是，该方法采用编码器 - 解码器框架，在对抗训练范式中利用从检索系统获取的 N 个最佳响应候选构建鉴别器。一个基于大规模公共可用基准数据集的实证研究表明，REAT 方法明显优于普通 Seq2Seq 模型和传统的对抗性训练方法。

Sep, 2018

本文提出了一种新的 Hero-Gang 神经网络结构，包括 Hero 和 Gang 模块，以利用全局和本地信息促进命名实体识别。实验结果表明，我们提出的模型在多个基准数据集上具有很好的性能。

May, 2022

本文提出了基于 GPT-2 微调多领域 MetaLWOz 数据集的混合生成 - 检索模型，具有稳健、多样的响应生成能力，在领域自适应任务中取得了最优结果，并在适应未见过的 MultiWOZ 数据集时表现出竞争力的泛化性能。

Mar, 2020

本研究提出一种新的混合检索 - 生成强化学习代理（HRGR-Agent）算法，以生成与医学图像相对应的结构化、丰富和稳健的报告，同时提高医学术语检测精度和人工评估表现。该算法通过层次决策过程来实现，使用强化学习进行更新。实验结果表明，该算法在医学报告数据集上取得了最先进的结果。

May, 2018

本文提出了一种对话生成的敌对学习方法，基于条件生成式敌对网络，生成器是修改后的层次循环编码器 - 解码器网络，鉴别器是与生成器共享上下文和词嵌入的字级双向循环神经网络，在 Ubuntu 对话数据集和电影三元组数据集上表现出更好的性能和更长、更丰富、更具相关性的自动生成回应。

May, 2018

本文主要研究的是学习搜索领域中，通过基于符号的查询重构策略组合基于词项的传统检索来学习人工智能搜索引擎检索的能力，同时也拓展到了混合检索环境来进行离散查询操作，本文的实验证明了在这种混合环境下，基于 HRE 的搜索代理在 BEIR 任务中优于传统方法。

Sep, 2022